周啟臻,邢建春*,楊啟亮,2

(1.陸軍工程大學(xué)國防工程學(xué)院,南京 210007;2.清華大學(xué)建筑信息模型聯(lián)合研究中心,北京 100084)

隨著人們安全意識的提升,入侵檢測技術(shù)得到了廣泛的研究。然而在實際應(yīng)用當中,現(xiàn)有的入侵檢測技術(shù)仍存在諸多不足,比如攝像頭[1]的檢測精度受光照影響大且容易造成隱私泄露;基于紅外線[2]的入侵檢測技術(shù)工作范圍有限,同時需要特定的硬件支持;基于傳感器網(wǎng)絡(luò)[3]的技術(shù)需要部署密集的傳感器節(jié)點。隨著Wi-Fi商用設(shè)備的普及,通過捕捉目標引起的無線信號變化,進而實現(xiàn)高精度、低成本、大范圍的入侵檢測成為了可能?；跓o線信號強度RSS(Received Signal Strength)的被動入侵檢測技術(shù)通過檢測方便易得的RSS信號波動來實現(xiàn)異常行為的檢測[4]。然而,粗粒度的RSS信息受背景噪聲的影響嚴重,使得微小動作引起的信號強度變化無法被準確識別。

相比起RSS,基于OFDM(正交頻分復(fù)用)技術(shù)的信道狀態(tài)信息CSI(Channel State Information)因其提供細粒度的子載波信息而得到越來越多的關(guān)注[5]。針對入侵檢測問題,文獻[6]提出一種基于子載波特征差分算法,實現(xiàn)了對人體移動的實時監(jiān)測。文獻[7]利用幅值和相位信息,結(jié)合MIMO系統(tǒng)的多天線特性得到了穩(wěn)定的變化特征,實現(xiàn)了不同速度下物體的被動檢測。文獻[8]利用人員行走的步態(tài)特征,提出一種基于CSI幅值特征的步態(tài)識別方法。然而,上述工作缺少對靜止時入侵人員的檢測,限制了入侵檢測系統(tǒng)的精度。針對靜止時人員呼吸檢測問題,文獻[9-10]利用CSI的幅值信息分別實現(xiàn)了不同姿態(tài)下人員的睡眠呼吸檢測和吸煙檢測;文獻[11]利用幅值和相位信息對人員的運動狀態(tài)進行區(qū)分,同時利用呼吸波動產(chǎn)生的幅值變化實現(xiàn)了對靜止人員的呼吸檢測。然而幅值容易受到位置信息的影響,而目前又缺少利用相位信息檢測呼吸的相關(guān)工作。

針對上述工作的不足,本文提出一種基于信道狀態(tài)信息相位差的人員入侵檢測方法,實現(xiàn)了對運動和靜止人員的被動檢測。本文首先對相位信息的穩(wěn)定性、敏感性、位置獨立性(Location Independent)進行了實驗性研究,驗證了利用相位差實現(xiàn)人員入侵檢測的可行性。然后,利用了兩次Hampel濾波[12]提取出有效的相位差信息并采用輕量級的互相關(guān)系數(shù)對人員運動情況進行判定;對判定無人運動的實驗場景,采用遞歸分析法RQA(Recurrence Quantification Analysis)[13]對周期性強且變化顯著的子載波進行挑選,利用小波變換提取出特定頻率的呼吸信號,并用峰值檢測法判定是否有靜止人員呼吸。在教室(多徑干擾嚴重)和空曠走廊進行的實驗結(jié)果表明,本文提出的入侵檢測方法對有人入侵和靜止人員呼吸檢測的精度都在90%以上,顯著提升了入侵檢測系統(tǒng)的適用范圍,同時對影響系統(tǒng)檢測性能的實驗參數(shù)進行了討論分析。

本文主要的貢獻有3個方面:(1)首次提出只利用普適的Wi-Fi設(shè)備相位差信息實現(xiàn)運動和靜止狀態(tài)下的人員入侵檢測;(2)用實驗驗證了相位差的穩(wěn)定性、敏感性和位置獨立性;(3)提出適用于入侵檢測的濾波方法,子載波挑選法和特征識別方法,并用實驗驗證了文章所提出方法的有效性。

后續(xù)內(nèi)容安排如下,第1節(jié)介紹了CSI背景知識并驗證相位差的可行性,第2節(jié)給出了入侵檢測的思路和具體實現(xiàn)方法,第3節(jié)給出了具體的實驗結(jié)果,第4節(jié)是文章的結(jié)論與下一步工作。

1 信道狀態(tài)信息與相位差

1.1 信道狀態(tài)信息

目前,基于OFDM(正交頻分復(fù)用)的信道狀態(tài)信息CSI已經(jīng)可以從Intel 5300商業(yè)網(wǎng)卡中提取出來[14]。每個數(shù)據(jù)包中都包含了來自N=30個子載波的信道狀態(tài)信息:

H=[H(f1),H(f2),…,H(fN)]

(1)

每個分量都包含了相應(yīng)OFDM信號的幅值和相位,即:

H(fk)=‖H(fk)‖ej∠H(fk)

(2)

式中:‖H(fk)‖和∠H(fk)分別表示第k個中心頻率為fk的子載波的幅值和相位。

1.2 相位差

本文利用三根天線之間的相位差信息進行人員入侵的檢測,主要有三方面的原因:

It was shown that hyperphosphatemia is an independent factor determining the unfavorable prognosis,accelerating the progression of IHD,aggravating systolic hypertension and LVH,increasing the risk of arrhythmia,as well as acute and congestive HF in patients on LTH[56].

(3)

(4)

圖1 運動時原始相位和校正后相位信息

(5)

式中:Ai表示第i個子載波的方差擴張系數(shù),范圍在0.5-1.5之間。而提取出來的相位差方差可以表示兩根天線相位差方差的和,即:

(6)

因此兩根天線相位差的方差大于一根天線的相位差的方差。實驗結(jié)果如圖2和圖3所示,在靜止環(huán)境下,圖2相位差方差與圖3單根天線的相位方差小,表示受到環(huán)境的干擾小;而在有人員入侵時,相位差方差顯著大于單根天線的相位方差。因此,相位差信息對于人員行為更加敏感。

圖2 相位差方差

圖3 單根天線相位方差

圖4 靜止人員呼吸的遞歸圖

③相位差受人員位置干擾更小。目前基于CSI的人員入侵檢測方法大多依賴于幅值特征[6,11],但是幅值信息受環(huán)境影響較大,不僅是非視距路徑(NLOS)環(huán)境會對幅值信息產(chǎn)生干擾,而且人員的位置變化,信號傳輸距離以及多徑效應(yīng)也會對系統(tǒng)的精確度造成影響。而相位差會隨著傳播距離的變化發(fā)生周期性的改變,受人員位置變化影響小,因此用相位差信息來判斷人員入侵更加魯棒。如圖4所示,本文在非視距路徑環(huán)境下檢測靜止時入侵人員的呼吸行為,利用遞歸圖來分析幅值差序列和相位差序列的周期性,觀察到相位差遞歸圖4(b)的連續(xù)程度大于幅值差遞歸圖4(a),由此反映相位差的位置獨立性強于幅值差。

2 基于相位差的人員檢測方法描述

本文提取商業(yè)網(wǎng)卡中3根天線的90個子載波的相位差信息進行精確的人員入侵檢測。首先,利用兩次Hampel濾波對原始的相位差信息進行去直流和去高頻,利用輕量級的相位差方差指標對是否有人運動進行判斷,若有人活動,則啟動報警;若判斷沒有人活動,則進一步是否是靜止的入侵者:利用遞歸分析法挑選出周期性最好且變化顯著的子載波,利用離散小波變換獲取目標頻段的信號,通過對峰值個數(shù)進行計數(shù)以進一步識別呼吸信號。

圖5 靜止人員呼吸的相位差

2.1 CSI預(yù)處理

以10 Hz的采樣頻率獲取了90個子載波的相位差信息后,我們發(fā)現(xiàn)微弱的呼吸信號容易湮沒在直流分量和高頻噪聲中,嚴重影響我們后續(xù)的子載波挑選和呼吸計數(shù),如圖5(a)所示。文獻[11]利用帶寬濾波對呼吸信號進行去直流,然而帶寬濾波盡管去除了噪聲,但是同時也模糊了運動微小的變化趨勢[9]。因此,我們首先采用一次Hampel濾波對全部的原始相位差信息進行“去勢”,使得去直流后的相位信息保留盡可能多的運動細節(jié)信息。其中,我們設(shè)置窗口大小為80,閾值參數(shù)為0.001,去直流的效果如圖5(b)所示。我們發(fā)現(xiàn)90條子載波的相位差呈現(xiàn)出一定的周期性,但是仍然存在高頻噪聲干擾。我們再次選用窗口大小為5,閾值大小為0.1的Hampel濾波對異常值進行剔除。如圖5(c)所示,發(fā)現(xiàn)90條子載波的相位差對于人體運動十分敏感且呈現(xiàn)出大體相似的變化趨勢。因此,將兩兩天線之間相位差的互相關(guān)系數(shù)的中位值作為輕量級的指標來判定是否有人員入侵。當該指標超過經(jīng)驗閾值時,觸發(fā)入侵警報。其原因在于,當人員入侵時所有子載波會呈現(xiàn)相似的能量變化,其互相關(guān)系數(shù)會顯著高于無人環(huán)境。若該指標低于環(huán)境閾值,則對靜止時的入侵人員的呼吸進行檢測。

2.2 子載波挑選

從圖4(c)中我們觀察到90個相位差信息對于運動的具有一定相關(guān)性,但是不同波長的子載波對于不同的運動、同一運動的不同身體部位、同一身體部位的不同變化速率,敏感程度都有所不同。因此,我們選擇挑選周期性強且信號變化明顯的相位差信號來檢測靜止人員的呼吸。先前的工作運用自相關(guān)分析來刻畫步態(tài)[8]、吸煙[10]、呼吸[11]等周期性的運動,然而自相關(guān)分析并不適用于人員入侵檢測,其原因在于人員入侵時,環(huán)境往往十分復(fù)雜,導(dǎo)致接收到的相位差信號非平穩(wěn)且包含了不相關(guān)的動作信息。本文采用遞歸量化分析來量化CSI相位差的周期性特征[13,17]。如圖3所示,人們往往利用遞歸圖RP(Recurrence Plot)來量化時間序列X=[x(1),x(2),…,x(n)]內(nèi)第k個片段x(k)復(fù)現(xiàn)程度。其數(shù)學(xué)表達式為:

Ri,j(ε)=Θ(ε-‖xi-xj‖)

(7)

式中:Ri,j是第i,j個時間片段的相似矩陣,Θ和‖·‖分別指代Heaviside函數(shù)和Euclidean范式,ε是截斷閾值,即當xi與xj的范式距離小于閾值ε時,Ri,j=1,RP圖上在(i,j)處生成相應(yīng)白點。片段間的相似程度越高,對角線的線性程度越好。為了進一步分析RP圖的結(jié)構(gòu)模型,我們采取基于遞歸點構(gòu)成斜線比例的DET(Determinism)變量。這是由于隨機的噪聲干擾基本僅僅伴隨少量的短斜線,而周期性的運動過程會產(chǎn)生更長的斜線和更高的遞歸點比例,其數(shù)學(xué)表達式如式(8)所示:

(8)

式中:Pε(l)={li;i=1,2,…,N},表示RP圖角聯(lián)結(jié)構(gòu)中對角線li的頻率分布情況,dmin表示用于排除短斜線的閾值。在文中的參數(shù)設(shè)定中,我們設(shè)置嵌入維為7,延時時間為9,固定的近鄰數(shù)量為100,最短斜線閾值為2。如圖6所示,采用方差最大的子載波,盡管變化顯著,但是也意味著容易受到環(huán)境噪聲的干擾,比如在12 s處產(chǎn)生了一個偽峰。而利用本文子載波挑選法獲得的相位差曲線周期性強,波峰波谷變化顯著。

圖6 子載波挑選性能對比

2.3 呼吸信號提取與識別

我們利用多分辨率的離散小波變換將挑選出的相位差信號分解成不同尺度下的各個分量,其變換過程相當于重復(fù)使用一組高通低通濾波器將信號分解成近似系數(shù)和細節(jié)系數(shù)。近似系數(shù)表示輸入相位差信號的基本變化趨勢,細節(jié)系數(shù)則包含潛在的高頻噪聲和細粒度的細節(jié)信息。設(shè)信號f(t)在第j個尺度上的細節(jié)系數(shù)向量為cDj,近似系數(shù)相量為cAj,進行單支重構(gòu)后獲得各尺度下的信號分量及所處頻帶范圍是:

aj:[0,2-(j+1)Fs],dj=[2-(j+1)Fs,2-jFs]

(9)

式中:Fs為采樣頻率,則信號可以分解為:

f(t)=a1+d1=aj+dj+…+d1

(10)

圖7 小波變換提取的呼吸信號

本文利用簡單的峰值檢測法即可對提取出來的呼吸信號速率進行進一步識別。盡管基于FFT的檢測方法也能夠?qū)μ崛『粑盘柕念l率進行估計,但是,該方法的精度依賴于滑窗的大小而且不能夠保證實時性。我們利用一個窗口大小為50,步長為30的滑窗對當前時間內(nèi)的最大值進行提取。令獲取的峰值間平均時間間隔為T,估計的呼吸速率即可用60/T進行表示。當估計的信號速率落入10 bpm～40 bpm的范圍內(nèi),即可判定是有人員潛伏,可以啟動報警模式。

3 實驗評估

3.1 實驗設(shè)置

在實驗中,我們利用ThinkPad X200(單根天線)作為發(fā)射端,Lenovo T460(三根天線)作為接收端,以10 Hz的低采樣率進行數(shù)據(jù)傳輸。兩臺筆記本電腦都裝有Intel 5300網(wǎng)卡和csitool[14],并設(shè)置成Monitor模式工作在5 GHz的165信道下。我們安排了5個志愿者分別在兩個典型環(huán)境:(1)多徑干擾嚴重的教室內(nèi)(NLOS),(2)空曠的走廊內(nèi)(LOS)進行實驗。每個志愿者被要求在無線環(huán)境中的不同位置自然呼吸1 min,隨后沿著預(yù)設(shè)軌跡以不同的速度走動1 min。

本文使用真實檢測率TDR(True Detection Rate)和誤報率FAR(False Alarm Rate)來評估實驗性能,TDR表示實際環(huán)境中有人入侵或潛伏時,系統(tǒng)能正確報警的概率;FAR表示實際環(huán)境中沒人,系統(tǒng)錯誤預(yù)警的概率。

3.2 實驗性能

為了準確評估實驗的準確性和魯棒性,實驗將本文方法與PADS[7]和基于RSSI的方法在兩個不同試驗場景下進行性能比較。首先,我們比較3種方法對于粗粒度人員入侵的檢測效果。如圖8(a)所示,在LOS環(huán)境下,3種方法效果都具有較高的檢測精度,這是因為無線信號對于粗粒度的人員移動十分敏感。然而在NLOS環(huán)境下,3種方法的檢測精度都受到了不同程度的影響。其中,基于RSSI的方法受多徑干擾嚴重,真實檢測率從0.88下降到0.74;PADS的在兩個實驗環(huán)境下的入侵檢測精度都略好于本文,這是由于PADS對實驗環(huán)境中的入侵特征進行分類訓(xùn)練,提高了部署成本;而本文的方法利用敏感的相位差信息和輕量級指標即可實現(xiàn)類似的入侵檢測精度。

其次,我們進一步對靜止環(huán)境下的人員呼吸檢測進行評估。如圖8(b),基于RSSI的人員呼吸檢測精度十分不理想,這主要是因為粗粒度的RSSI信息無法捕捉到微弱的呼吸變化;PADS在視距路徑環(huán)境下能實現(xiàn)0.78的檢測精度,但是在非視距路徑情況下僅能達到0.64。這是因為PADS僅僅只利用了線性變化后的相位信息,微弱的呼吸運動信息湮沒在較強的直流信號中,因此受到位置信息的影響較大,只有在發(fā)射路徑附近才能夠檢測到呼吸的運動。而本文的方法在LOS環(huán)境下達到了0.94的檢測精度,在NLOS環(huán)境下也能達到0.88。

最后,我們對無人環(huán)境下3種檢測方法的誤報率進行檢測。如圖8(c),基于RSSI的方法在兩種實驗環(huán)境下誤報率都較高,這是因為RSSI受環(huán)境噪聲影響較大。本文的方法與PADS在兩種實驗環(huán)境下的誤報率相近,在LOS環(huán)境下的誤報率為0.02,在NLOS環(huán)境下的誤報率為0.05,其誤差主要來源于錯誤地將環(huán)境波動識別成靜止的人員呼吸。

圖8 實驗性能比較

3.3 參數(shù)設(shè)置的影響

①互相關(guān)閾值對于入侵檢測的影響:互相關(guān)閾值的設(shè)定決定了人員入侵檢測的性能。如圖9所示,當互相關(guān)閾值較低時,容易造成較高的誤報率;當互相關(guān)閾值逐漸增大時,誤報率逐漸降低,而真實檢測率先提升,在閾值超過0.7時逐漸下降。因此,在實驗中我們選擇閾值參數(shù)為0.7。

圖9 互相關(guān)閾值對入侵檢測的影響

②靜止位置對呼吸檢測的影響:我們進一步對不同實驗環(huán)境下發(fā)射端-接收端鏈路中垂線上不同距離人員的呼吸進行檢測,即對系統(tǒng)的檢測范圍進行評估。如圖10所示,我們發(fā)現(xiàn)在LOS實驗環(huán)境中并非越靠近鏈路,呼吸檢測的效果就會越好,距離1 m～2 m的真實檢測率在0.95左右,略高于站在視距路徑中間。這可能是因為身體的遮擋影響了某根天線信號的傳輸,影響了對天線子載波的挑選。隨著距離的增加,真實檢測率有不太明顯的下降,在2 m～6 m范圍內(nèi)平均精度在0.93左右,說明利用相位差能實現(xiàn)大范圍且魯棒的靜止人員檢測。。而在NLOS實驗環(huán)境下,在0～5 m范圍內(nèi)的真實檢測率至少在0.8,而在距離6 m的位置,檢測率迅速下降到0.65。這是由于在多徑干擾嚴重的環(huán)境下,信號有效的傳輸距離減小。

圖10 靜止位置對呼吸檢測的影響

圖11 天線擺放高度的影響

③天線擺放高度對呼吸檢測的影響:如圖11所示,我們在不同實驗環(huán)境下設(shè)置發(fā)射機-接收機的高度,來探究對呼吸檢測的影響效果。在兩個實驗環(huán)境中,當天線高度逐漸升高至1.4 m時,真實檢測率逐漸提升,當天線高度超過1.4 m時,真實檢測率又會出現(xiàn)不同程度的下滑。而NLOS環(huán)境下天線高度對于實驗結(jié)果的影響更為顯著。這是因為受試者的平均胸腔高度在1.3 m～1.4 m范圍內(nèi),處于這個高度范圍內(nèi)的天線接收到最強的呼吸反射信號;而且由于在多徑干擾嚴重的教室內(nèi),桌椅擺放高度在0.8 m～1.0 m之間,也一定程度影響了呼吸檢測的精度。

4 結(jié)論

針對現(xiàn)有基于Wi-Fi的入侵檢測系統(tǒng)中存在的不足,提出一種基于信道狀態(tài)信息相位差的人員入侵檢測方法。本文首先驗證了將相位差用于入侵檢測的可行性,通過二次Hampel濾波提取出有效的相位差信息,并利用輕量級的互相關(guān)信息對人員的運動情況進行判斷。針對靜止人員的呼吸檢測問題,本文提出一種基于遞歸量化分析的子載波挑選方法,利用小波變化提取出呼吸信號,并用簡單的峰值檢測法實現(xiàn)了呼吸信號的識別。本文在兩種典型的室內(nèi)環(huán)境下對所提出的方法進行實驗評估。實驗結(jié)果顯示在NLOS環(huán)境中的人員運動檢測率和呼吸檢測率分別為0.91和0.88,在LOS環(huán)境中的則能達到0.93和0.94,驗證基于相位差的人員入侵檢測系統(tǒng)的可行性。在下一步工作中,將考慮解決多人的呼吸識別問題以及軌跡追蹤問題。

[1] Milanesi G,Sarti A,Tubaro S. Real-Time Video Analysis for Intrusion Detection in Indoor Environments[C]//Signal Processing Conference,2002 11th European. IEEE,2002:1-4.

[2] Want R,Hopper A,Falcao V,et al. The Active Badge Location System[J]. ACM Transactions on Information Systems(TOIS),1992,10(1):91-102.

[3] Kaltiokallio O,Bocca M. Real-Time Intrusion Detection and Tracking in Indoor Environment Through Distributed RSSI Processing[C]//IEEE,International Conference on Embedded and Real-Time Computing Systems and Applications. IEEE,2011:61-70.

[4] Kosba A E,Saeed A,Youssef M. Rasid:A Robust Wlan Device-Free Passive Motion Detection System[C]//2012 IEEE International Conference on Pervasive Computing and Communications(PerCom). IEEE,2012:180-189.

[5] Xiao J,Wu K,Yi Y,et al. Fimd:Fine-Grained Device-Free Motion Detection[C]//2012 IEEE 18th International Conference on Parallel and Distributed Systems(ICPADS). IEEE,2012:229-235.

[6] 劉文遠,劉紫娟,王林,等. 基于信道狀態(tài)信息子載波特征差分的人體移動檢測方法[J]. 傳感技術(shù)學(xué)報,2016,29(12):1839-1845.

[7] Qian K,Wu C,Yang Z,et al. PADS:Passive Detection of Moving Targets with Dynamic Speed Using PHY Layer Information[C]//IEEE International Conference on Parallel and Distributed Systems. IEEE,2014:1-8.

[8] Wang W,Liu A X,Shahzad M. Gait Recognition Using Wifi Signals[C]//Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing. ACM,2016:363-373.

[9] Liu X,Cao J,Tang S,et al. Wi-Sleep:Contactless Sleep Monitoring Via WiFi Signals[C]//Real-Time Systems Symposium(RTSS),2014 IEEE. IEEE,2014:346-355.

[10] Zheng X,Wang J,Shangguan L,et al. Smokey:Ubiquitous Smoking Detection With Commercial WiFi Infrastructures[C]//IEEE INFOCOM 2016—The 35th Annual IEEE International Conference on Computer Communications. IEEE,2016:1-9.

[11] Wu C,Yang Z,Zhou Z,et al. Non-Invasive Detection of Moving and Stationary Human with WiFi[J]. IEEE Journal on Selected Areas in Communications,2015,33(11):2329-2342.

[12] Davies L,Gather U. The Identification of Multiple Outliers[J]. Journal of the American Statistical Association,1993,88(423):782-792.

[13] Ouyang G,Li X,Dang C,et al. Using Recurrence Plot for Determinism Analysis of EEG Recordings in Genetic Absence Epilepsy Rats[J]. Clinical Neurophysiology,2008,119(8):1747-1755.

[14] Halperin D,Hu W,Sheth A,et al. Predictable 802.11 Packet Delivery from Wireless Channel Measurements[C]//ACM SIGCOMM Computer Communication Review. ACM,2010,40(4):159-170.

[15] Xie Y,Li Z,Li M. Precise Power Delay Profiling with Commodity WiFi[C]//Proceedings of the 21st Annual International Conference on Mobile Computing and Networking. ACM,2015:53-64.

[16] Wang H,Zhang D,Wang Y,et al. RT-Fall:A Real-Time and Contactless Fall Detection System with Commodity WiFi Devices[J]. IEEE Transactions on Mobile Computing,2017,16(2):511-526.

[17] Zhou Z,Yang Z,Qian K,et al. Tracking Synchronous Gestures with WiFi[C]//The 25th International Conference on Computer Communication and Networks,Waikoloa,Hawaii,USA. 2016.